Le pipeline ETL déjà utilisé par Anthropic peinait à suivre l’augmentation des volumes de transactions : il atteignait fréquemment les limites d’appels de l’API, ce qui entraînait des retards de données et nécessitait une intervention manuelle quotidienne pour rester à jour.

Avec Data Pipeline, Anthropic a accéléré la clôture de fin de mois de six jours et supprimé les travaux d’ingénierie récurrents. Les données Stripe circulent désormais de manière fiable vers BigQuery, où des centaines de modèles de données combinent les données Stripe et les données de l’entreprise afin de produire des documents financiers auditables et des rapports fiables destinés à la direction et aux investisseurs.

Cursor avait besoin d’un accès fiable aux données Stripe pour clôturer les comptes et suivre les performances, mais avec une petite équipe d’ingénierie, l’entreprise ne voulait pas consacrer de ressources à la création et à la maintenance d’une infrastructure de données sur mesure.

Data Pipeline synchronise les données Stripe de Cursor dans Databricks, alimentant ainsi des dashboards de performance pour le suivi d’indicateurs clés comme les revenus et le taux d’attrition. Il alimente également un dashboard des opérations de facturation, permettant à l’équipe de résoudre les questions de facturation complexes et de gérer les opérations client plus efficacement.

ChowNow souhaitait mieux comprendre sa rentabilité, ses marges et ses indicateurs unitaires, tant au niveau client qu’au niveau transactionnel, sans avoir à créer une intégration API ni à partager ses données avec un pipeline ETL.

Avec Data Pipeline, les données Stripe de ChowNow sont désormais acheminées vers Snowflake, où l’entreprise peut suivre les rétrofacturations par restaurant, optimiser les dépenses publicitaires avec une visibilité totale sur le parcours client et analyser la marge nette par restaurant pour optimiser sa stratégie de tarification.

Lors de l’exportation des données Stripe vers Snowflake via un ETL tiers, Lime rencontrait sans cesse des incohérences de données, chacune nécessitant jusqu’à deux heures d’analyse par les ingénieurs.

Data Pipeline a résolu les incohérences de données de Lime, faisant passer le délai de livraison de trois jours à un seul. Les ingénieurs ne passent plus des heures à examiner les écarts, l’équipe financière établit en toute confiance des rapports sur l’état de la trésorerie et les remboursements, et l’équipe chargée de la détection des fraudes peut concevoir de meilleurs modèles en combinant les scores de risque Stripe avec ses propres données.